Modèles à facteurs dynamiques avec non linéarités : application à l'analyse du cycle économique

Dynamic factor model with non-linearities : application to the business cycle analysis

• Auteur / Autrice : Anna Petronevich
• Direction : Catherine Doz, Monica Billio
• Type : Thèse de doctorat
• Discipline(s) : Sciences économiques
• Date : Soutenance le 26/10/2017
• Etablissement(s) : Paris 1 en cotutelle avec Università Ca' Foscari Venezia (Venise, Italie)
• Ecole(s) doctorale(s) : École doctorale d'Économie (Paris ; 2004-....)
• Partenaire(s) de recherche : Laboratoire : Paris-Jourdan Sciences Économiques (2005-....)
• Jury : Président / Présidente : Jean-Bernard Chatelain
• Jury : Examinateurs / Examinatrices : Catherine Doz, Monica Billio, Antonio Michele Paradiso
• Jury : Rapporteur / Rapporteuse : Alain Monfort, Siem Jan Koopman

Mots clés

Mots clés contrôlés

Markov, Processus de

Cycles économiques

Évaluation

Macroéconomie

Macroéconomie -- Modèles mathématiques

Mots clés libres

Changement de régime markovien

Modèle à facteurs dynamiques

Cycle économique

Cycle financier

Analyse du point de retournement

Méthode en deux étapes

Convergence

Comportement en échantillon fini

Simulations Monte Carlo

Interaction dynamique

Risque systémique

Markov-Switching

Dynamic Factor Model

Business cycle

Financial cycle

Turning point analysis

Two-step method

Consistency

Small-sample performance

Monte Carlo simulations

Dynamical interaction

Systemic risk

Résumé

Cette thèse est dédiée à une classe particulière de modèles à facteurs dynamiques non linéaires, les modèles à facteurs dynamiques à changement de régime markovien (MS-DFM). Par la combinaison des caractéristiques du modèle à facteur dynamique et celui du modèle à changement de régimes markoviens(i.e. la capacité d’agréger des quantités massives d’information et de suivre des processus fluctuants), ce cadre s’est révélé très utile et convenable pour plusieurs applications, dont le plus important est l’analyse des cycles économiques.La connaissance de l’état actuel des cycles économiques est crucial afin de surveiller la santé économique et d’évaluer les résultats des politiques économiques. Néanmoins, ce n’est pas une tâche facile à réaliser car, d’une part, il n’y a pas d’ensemble de données et de méthodes communément reconnus pour identifier les points de retournement, d’autre part, car les institutions officielles annoncent un nouveau point de retournement, dans les pays où une telle pratique existe, avec un délai structurel de plusieurs mois.Le MS-DFM est en mesure de résoudre ces problèmes en fournissant des estimations de l’état actuel de l’économie de manière rapide, transparente et reproductible sur la base de la composante commune des indicateurs macroéconomiques caractérisant le secteur réel.Cette thèse contribue à la vaste littérature sur l’identification des points de retournement du cycle économique dans trois direction. Dans le Chapitre 3, on compare les deux techniques d’estimation de MS-DFM, les méthodes en une étape et en deux étapes, et on les applique aux données françaises pour obtenir la chronologie des points de retournement du cycle économique. Dans Chapitre 4, sur la base des simulations de Monte Carlo, on étudie la convergence des estimateurs de la technique retenue - la méthode d’estimation en deux étapes, et on analyse leur comportement en échantillon fini. Dans le Chapitre 5, on propose une extension de MS-DFM - le MS-DFM à l’influence dynamique (DI-MS-DFM)- qui permet d’évaluer la contribution du secteur financier à la dynamique du cycle économique et vice versa, tout en tenant compte du fait que l’interaction entre eux puisse être dynamique.

This thesis is dedicated to the study of a particular class of non-linear Dynamic Factor Models, the Dynamic Factor Models with Markov Switching (MS-DFM). Combining the features of the Dynamic Factor model and the Markov Switching model, i.e. the ability to aggregate massive amounts of information and to track recurring processes, this framework has proved to be a very useful and convenient instrument in many applications, the most important of them being the analysis of business cycles.In order to monitor the health of an economy and to evaluate policy results, the knowledge of the currentstate of the business cycle is essential. However, it is not easy to determine since there is no commonly accepted dataset and method to identify turning points, and the official institutions announce a newturning point, in countries where such practice exists, with a structural delay of several months. The MS-DFM is able to resolve these issues by providing estimates of the current state of the economy in a timely, transparent and replicable manner on the basis of the common component of macroeconomic indicators characterizing the real sector. The thesis contributes to the vast literature in this area in three directions. In Chapter 3, I compare the two popular estimation techniques of the MS-DFM, the one-step and the two-step methods, and apply them to the French data to obtain the business cycle turning point chronology. In Chapter 4, on the basis of Monte Carlo simulations, I study the consistency of the estimators of the preferred technique -the two-step estimation method, and analyze their behavior in small samples. In Chapter 5, I extend the MS-DFM and suggest the Dynamical Influence MS-DFM, which allows to evaluate the contribution of the financial sector to the dynamics of the business cycle and vice versa, taking into consideration that the interaction between them can be dynamic.